Einsatz von künstlicher Intelligenz in der Industrie

Daten vor Ort auswerten, autonom reagieren

Mit der Anwendung von künstlicher Intelligenz (KI) in industriellen Applikationen lassen sich immer neue Herausforderungen lösen. Die stetig steigenden Datenmengen, die aus der immer komplexeren Automatisierung resultieren, erfordern Maschinen und Prozesse, die selbständig Erkenntnisse gewinnen und Abläufe anpassen können. Einige Beispiele zeigen, wie derartige Lösungen in verschiedenen Anwendungsgebieten aussehen.
 Smart Cities bieten hohes Potenzial, Prozesse durch künstliche Intelligenz zu verbessern
Smart Cities bieten hohes Potenzial, Prozesse durch künstliche Intelligenz zu verbessernBild: ©ssguy/shutterstock.com

Das Potenzial der künstlichen Intelligenz ist riesig: Fahrerlose Transportsysteme finden eigenständig ihren Weg durch die Fabrikhallen, Anlagen justieren sich während des laufenden Betriebs – um ein paar Beispiele zu nennen. Der Begriff der künstlichen Intelligenz ist nicht eindeutig definiert und umfasst viele Bezeichnungen. Vereinfacht dargestellt können Computerprogramme menschliches Denken nachbilden sowie selbst Regeln erstellen, um eigenständig durch Erfahrung zu lernen. Auf diese Weise kann sich das System autonom verbessern, damit es ohne Hilfe des Menschen in der Lage ist, Aufgaben abzuarbeiten. Zu den unter KI fallenden Schlagwörtern gehören Machine Learning (ML) und Deep Learning (DL). Beim maschinellen Lernen wird ein Problem auf der Grundlage der bisher gemachten Erfahrungen bewältigt. Auf Basis von Datenbeständen und Algorithmen, die vom Anwender generiert werden müssen, lassen sich so z.B. Anwendungen im Bereich Predictive Maintenance entwickeln, also zukünftige Ereignisse vorhersagen. Anomalien werden selbständig mit den Datenbeständen verglichen, um etwa die Lebenszeit der Anlage zu berechnen.

Bei Deep Learning – dem tiefgehenden Lernen – handelt es sich um einen Teilbereich des Machine Learning, der über neuronale Netze verfügt. Neuronale Netze sind Strukturen, die das menschliche Gehirn imitieren und somit unüberwacht aus unstrukturierten und unmarkierten Daten lernen. Deep-Learning-Algorithmen verbessern sich folglich ohne menschliches Zutun und eignen sich neue Fähigkeiten an. Im Gegensatz zum maschinellen Lernen muss einem Deep-Learning-Algorithmus nicht mehr mitgeteilt werden, auf welche Merkmale er zu achten hat. Zur verständlichen Darstellung der Anwendungsfälle werden beide Verfahren einander mit dem Ziel gegenübergestellt, eine Bildverarbeitung und daraus resultierend eine Objekterkennung zu entwickeln.

Algorithmische Kette löst weitere Aufgaben

In der klassischen Bildverarbeitung, die auf dem manuellen Antrainieren des Modells beruht, gibt es zahlreiche verfügbare und zuverlässige Algorithmen, die sich als effizient und transparent erwiesen haben. Der Anwender erhält also eine Erklärung, wie das Ergebnis zustande kommt. Der Nachteil bei einer solchen Vorgehensweise liegt darin, dass das eher unflexible Verfahren auf spezifische Aufgaben zugeschnitten werden muss. Unter Umständen ist jede Prüfaufgabe aufwendig zu modellieren, sodass sich bestimmte Objekte klassifizieren lassen. Die auf Deep Learning basierenden Verfahren ermöglichen inzwischen eine hohe Qualität der Objekterkennung. Gegenüber dem klassischen Verfahren können somit eine größere Genauigkeit und Fehlertoleranz sichergestellt werden. Ein weiterer Vorteil ergibt sich daraus, dass dieselbe algorithmische Kette zur Lösung anderer Probleme verwendet werden kann. Ein weiteres Netz ist folglich in der Lage, ein anderes Objekt zu klassifizieren. Neuronale Netze lassen sich also nachtrainieren. Allerdings ist zur Ausführung eines solchen Verfahrens eine enorme Rechenleistung notwendig.

Während künstliche Intelligenz schon lange Einzug in den Consumer-Bereich gehalten hat, kommen jetzt auch reale Anwendungen im industriellen Umfeld zum Einsatz. Mitarbeiter nutzen täglich über ihr Smartphone Sprach- und Bilderkennungen, Bürogebäude sind vollautonom und reagieren auf Außeneinflüsse wie Hitze, Kälte, Lichteinstrahlung oder Wind. Diese und weitaus komplexere Teilbereiche der KI werden verwendet, damit sich Prozesse laufend verbessern und die Effizienz von Maschinen und Anlagen entsprechend steigern.

 Auch in der Automatisierung bietet der Einsatz von KI großes Potenzial.
Auch in der Automatisierung bietet der Einsatz von KI großes Potenzial. Bild: Phoenix Contact Deutschland GmbH

Qualitätskontrolle von Kunststoffspritzteilen

Als Beispiel für den Einsatz von KI in der Industrie sei das Detektieren von Qualitätsdefekten aufgeführt, etwa in der Lebensmittelindustrie. Ein Schokoriegel wird durch mehrere Kameras erkannt und anhand einer zuvor manuell angelegten Datenbank mit Gut- oder Schlechtbildern verglichen. Hierbei handelt es sich um eine klassische Anwendung des Maschine Learning.

Anders läuft es in einem anderen Beispiel ab, das von Phoenix Contact mitbetreut wird. Dabei geht es um die Qualitätskontrolle von Kunststoffspritzteilen für die Automobilindustrie. Im Fokus steht hier die absolute Null-Fehler-Toleranz. Sie soll durch Bildverarbeitung sichergestellt werden. Als zusätzliche Anforderung ist ein flexibles Verfahren zu entwickeln, mit dem sich verschiedene Teile analysieren lassen. Vor diesem Hintergrund wenden die KI-Spezialisten einen Deep-Learning-Ansatz an. Dazu wird das Objekt klassifiziert, um festzustellen, an welchen Stellen ein Fehler auftritt. Darüber hinaus ist das Netz als sogenannte Anomalie-Detektion konzipiert. So lässt sich detektieren, ob und in welchem Ausmaß die Schlechtteile von den Gutteilen abweichen. Als Mehrwert für den Betreiber kann dieselbe Inspektionsroutine für unterschiedliche Teile genutzt werden. Er benötigt außerdem keine KI-Expertise, damit er mit derartigen Systemen arbeiten kann. Das System muss lediglich einmal eingerichtet werden.

Echtzeitprozesse durch leistungsfähige Hardware

Im Bereich Smart Cities gibt es viele Applikationsbeispiele für die sinnvolle Verwendung von künstlicher Intelligenz. Eine vernetzte, intelligente Infrastruktur bietet ein hohes Potenzial, Prozesse durch den Einsatz von KI zu verbessern. Im Rahmen der smarten Infrastruktur kann es sich um das Schalten von Ampel- und Beleuchtungsanlagen bis hin zur Verkehrsüberwachung handeln, die auf Sensorsystemen basiert. Des Weiteren ist ein Parkmanagement denkbar, sodass die Parkhäuser in der Großstadt besser ausgelastet sind und die Autofahrer nicht lange nach einem Parkplatz suchen müssen. Selbst eine Vehicle-zu-Vehicle-Kommunikation ist möglich.

Seiten: 1 2Auf einer Seite lesen

Phoenix Contact Deutschland GmbH

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige